Machine Learning en la plataforma ArcGIS

El término Machine Learning (ML) se conoce como aprendizaje automático o aprendizaje de máquinas siendo una rama de la Inteligencia Artificial (IA), cuyo objetivo es el desarrollo de técnicas que permitan aprender a los ordenadores. Los campos de aplicación son múltiples, como el fraude de uso de tarjetas de crédito, reconocimiento del habla, teledetección, etc. y ya están empezando a ser parte de nuestras vidas.

Machine Learning y GIS

La conjunción de los Sistemas de Información Geográfica y el ML es el nuevo paso de integración de estas poderosas tecnologías para responder preguntas aparentemente incontestables. Este artículo es un claro ejemplo que permite predecir dónde están creciendo las algas marinas en el mundo en base a una serie de parámetros como la temperatura, la salinidad, los nutrientes, etc. y herramientas de análisis como Empirical Bayesian Kriging (EBK), combinado con clasificadores que modelan las relaciones entre las condiciones oceánicas y las del alga marina con precisiones por encima del 95%.

En la pasada Conferencia Esri España 2017, Ignacio Vázquez nos mostró en la sesión plenaria los resultados de este proyecto en ArcGIS Pro

Otro ejemplo de ML muy interesante relacionado con los Sistemas de Información Geográfica es la creación de modelos predictivos en base al seguimiento de cultivos vía imágenes de satélite con alta resolución temporal (imágenes capturadas cada pocos días sobre la misma zona). Esta técnica permite hacer seguimiento de los diferentes cultivos que pueden tener una firma espectral muy similar donde los ciclos de crecimiento estacional son diferentes, y nos ayudan no solamente a diferenciarlos, si no también a realizar estimaciones de producción.

Las imágenes como fuente de datos para ML pueden ser de diferentes tipos, lo que proporcionan características ideales para un tipo de escenario u otro:

  • Pancromáticas: son imágenes monobanda (normalmente se visualizan en escala de grises)
  • Multiespectrales: que contienen varias bandas o canales en diferentes zonas del espectro electromagnético (generalmente inferior a 50 bandas o canales)
  • Hiperespectrales: es el equivalente a una multiespectral donde el número de bandas es superior a 50. Un mayor número bandas permite discriminar con mucha más precisión los elementos en las imágenes
  • Radar: imágenes capturadas en la zona del espectro radar. Capaces de detectar movimientos de tierras de milímetros, e incluso calcular el deshielo en los polos, gracias a la capacidad de penetración en el hielo de determinados tipos de ondas radar.

Diferencia entre imagen multiespectral frente a hiperespectral. Fuente: Harris

Existen otras características en las imágenes que las hacen más idóneas para unos fines u otros como el tamaño de celda (resolución espacial) y la resolución espectral (número de valores posibles que puede discernir en una celda). No es viable identificar vehículos a motor en imágenes dónde el tamaño de pixel es de 10 m (10 m x 10 m = 100 m2), pero sí en imágenes con 1 m de resolución de pixel.

Puedes revivir la sesión técnica sobre imágenes que impartimos en la Conferencia Esri España 2017 donde Yansa Tejada e Isaac Medel mostraron las diferentes herramientas que la plataforma ArcGIS posee para su aplicación en teledetección.

Algoritmos de Machine Learning

Los algoritmos de ML usados en teledetección pueden agruparse en 2 categorías:

  • Supervisados: de los cuales se disponen de datos históricos de entrada y los resultados van mejorando según se va entrenando al sistema, buscando objetivos concretos. Los podemos englobar en clasificadores, regresiones y algoritmos de predicción
  • No supervisados: es de tipo exploratorio, se implementan a través de técnicas de agrupación (clustering) y asociaciones eficaces para el reconocimiento de patrones y obtener información no deducible sin conocer los datos.

¿Qué algoritmos se usan con más frecuencia?

Son muchos los algoritmos existentes y nuevos que se van creando con el tiempo. A continuación, nombramos los más conocidos.

  • Support Vector Machine Classifer (SVM) es un clasificador supervisado que normalmente requiere menos muestras de entrenamiento que la mayoría de los clasificadores, no requiere que las muestras estén distribuidas bajo ningún tipo de patrón, genera poco ruido y puede ser aplicado a cualquier tipo de imagen.
  • Arboles de Decisiones
  • Redes Neuronales
  • Bosques Aleatorios

¿Cómo se pueden mejorar los resultados con estos algoritmos?

Hay varias maneras de mejorarlos, pero una de las más conocidas y que más se usa es la segmentación de imágenes, que abre un abanico de posibilidades muy grandes, dado que permite “agrupar” en una imagen objetos con características parecidas de color, textura, área, etc. lo que ayuda a los algoritmos de ML a reconocer objetos y patrones de una manera más eficiente aumentando la calidad del resultado y abriendo otras posibilidades que con los algoritmos tradicionales sería más complejo.

¿Qué herramientas de ML encontramos en la plataforma ArcGIS?

Os presentamos este enlace que ofrece un listado completo de los diferentes clasificadores que se pueden encontrar en la plataforma, donde muchos de ellos pueden englobarse dentro de la categoría de ML.

En Esri estamos apostando por la creación de flujos de ML donde podemos ir mejorándolos, en base a las herramientas que nos ofrecen y así poder replicarlo en otras imágenes de características similares. Aquí podéis ver el flujo detallado de clasificación de imágenes en ArcGIS Pro.

La tecnología avanza permitiendo a la inteligencia artificial desarrollar modelos predictivos cada vez más certeros. De este paradigma se habló, entre otros, en la mesa de expertos sobre IA y Big Data en la pasada Conferencia Esri España.

¿Quieres conocer cómo sacar el máximo provecho a tu ArcGIS y sus capacidades en ML? Ponte en contacto con nosotros.

El factor tiempo en el análisis geográfico de la plataforma ArcGIS

Tras unos años complicados en cuanto a la situación económica en España, podemos decir que la economía española está dejando atrás un periodo de dura recesión. Si en algo han coincidido los diferentes especialistas, es que son necesarios nuevos paradigmas en la economía para hacer una transición a un modelo económico más competitivo y diversificado. En esta línea, las compañías de “retail” y de restauración se están planteando nuevas inversiones con esta mejora económica. Estas nuevas inversiones se realizarán utilizando toda la información de la que puedan disponer para poder entender el futuro comportamiento de sus puntos de venta. Su objetivo es claro, crecer, y para ello el poder del análisis espacial y la localización es clave en esta estrategia de negocio.

Crecimiento en el ámbito del retail

El crecimiento de las empresas puede venir dado por dos factores:

  • La capacidad de atraer a más clientes al punto de venta en los momentos que se dispone de mayor capacidad para atenderlos.
  • La expansión a través de nuevos puntos de venta y captación de nuevos clientes.

El conocimiento de los clientes actuales, a través de tarjetas de fidelización y encuestas en el punto de venta, ayuda a los departamentos de marketing y expansión a obtener estos objetivos. También pueden maximizar sus oportunidades a través de campañas específicas de marketing de captación y predicción de ventas de sus futuras aperturas.

La tarjeta de fidelización permite tratar al cliente individualizadamente y realizar ofertas personalizadas. Para ello, es necesario entender sus patrones de comportamiento hacia nuestra marca y utilizar toda la información disponible para maximizar nuestra oportunidad con el cliente. De hecho, esa misma información puede ser utilizada para captar nuevos clientes a nuestros puntos de venta actuales y futuros. Es ahí donde el análisis espacial y en particular los análisis espacio temporales que podemos realizar con la plataforma ArcGIS nos permiten extraer conclusiones para tomar las mejores decisiones de negocio.

Puntos de venta y sus clientes asociados por tarjeta de fidelización

 ¿Cómo podemos atraer más clientes al punto de venta a través del análisis espacio temporal?

Veamos ahora cómo una empresa de retail puede aprovechar el potencial de los datos de sus clientes para atraer más usuarios a sus puntos de venta. El departamento de marketing de esta empresa analizó los datos de la tarjeta de fidelización para entender de dónde vienen los clientes a las distintas horas del día y los distintos días de la semana. Trabajando con la herramienta Space Time Cube en ArcGIS Pro (cubos espacio temporales) se detectaron los patrones de clientes actuales que acuden al punto de venta obteniendo así la procedencia de los clientes flotantes que acudían a comprar a la tienda.

Después se realizó un análisis de puntos calientes (hot spots) en ArcGIS Pro para identificar de forma estadísticamente objetiva cuál es el origen de los clientes que están generando el mayor volumen de negocio. En el mapa se pueden apreciar los puntos calientes persistentes y esporádicos que son la base de la facturación actual. La potencia de este análisis, frente a los mapas de calor disponibles habitualmente, es que elimina totalmente la subjetividad señalando claramente sobre qué puntos tenemos que actuar.

A partir de este análisis, el departamento de marketing diseñó una micro campaña de atracción sobre grupos específicos de la zona norte del municipio de Madrid. Esa campaña fue realizada sobre los denominados “clientes dormidos” (aquellos que tuvieron actividad con la marca pero que ya han dejado de tenerla) buscando reactivarlos con una oferta atractiva y realizarlo en los periodos de tiempo dónde la actividad del punto de venta estaba por debajo de un umbral de rentabilidad, con respecto al personal necesario para atenderlo.

El análisis espacio temporal de la campaña identificó de forma clara la capacidad de incrementar el tráfico al local de muchos clientes dormidos que se movilizaron durante todo el periodo en el que duró la acción. Además, el final de la campaña identificó un cluster o grupo geográfico de clientes en la zona del Barrio del Pilar: un cluster consistente y emergente que llevó a identificar una zona de posible expansión (véase zona en rojo en el mapa).

Expansión a través de nuevos puntos de venta

El departamento de expansión de la compañía analizó el comportamiento de un punto de venta existente para saber si debía plantearse abrir una nueva tienda en un centro comercial.

La lógica del análisis consistía en utilizar los datos de sus clientes fidelizados para obtener la siguiente información:

  • Capacidad de captación de nuestro punto de venta en el centro comercial.
  • Comportamiento a lo largo de la semana y a las distintas horas del día.
  • Análisis sociodemográfico de la tipología de clientes.

Con estas variables, conocidas gracias a su tarjeta de fidelización, se analizó la incidencia de los clientes conocidos en nuestro punto de venta.

Insights for ArcGIS es una herramienta de análisis exploratorio iterativo que permite trabajar con distintas variables en una sola visualización con un simple “arrastar y soltar”. Simultáneamente, se representa información geográfica y otros datos clave del negocio y se pueden realizar análisis espaciales asociados al centro comercial, filtrando por distancia o tiempo de conducción, para obtener así los valores que se utilizarán en los modelos de previsión de ventas.

La capacidad de integración y visualización de datos con Insights for ArcGIS permitirá al analista incorporar información de las bases de datos y analizar la actividad a lo largo del tiempo de diversas maneras, como con gráficos temporales o gráficos de calor, dónde podemos representar los días de la semana y las horas del día.

También es clave la segmentación de los clientes y, por lo tanto, la penetración de nuestra marca en los distintos segmentos. Todos estos datos pueden ser exportados como tablas que posteriormente los científicos de datos pueden utilizar en sus modelos predictivos.

Un resultado de estos análisis fue la identificación de una gran dispersión de clientes entre semana. La explicación era que el factor “población flotante”, es decir, las personas que trabajan o se desplazan por el entorno y que no viven en la zona, afectaba más que la población residente durante los días laborables.

La población residente, la población flotante, el factor de conversión de clientes del centro comercial a nuestro punto de venta y la ocupación estimada por unidad de tiempo, eran variables claves para realizar una correcta previsión de ventas. Sin embargo, para la apertura del nuevo punto de venta no existían datos que permitiesen realizar el modelo.

Las variables que se necesitaron para modelar la apertura de un nuevo punto de venta no fueron muy costosas, ya que la información a captar era bastante sencilla y limitada. El dato de afluencia al centro lo otorgó el propio centro comercial; la población residente se obtuvo a través del Living Atlas of the World, así como las variables clave para realizar la segmentación de esta población. Lo único que faltaba era entender la “población flotante”. Unos encuestadores en el potencial punto de venta permitieron obtener la muestra que identificaba cuántos clientes del centro comercial eran residentes o flotantes. Los encuestadores, utilizando Survey123 for ArcGIS, preguntaban el origen aproximado (centro de trabajo donde trabajan) y su residencia habitual, además de las preguntas de por qué viene al centro, con qué frecuencia visita el mismo, etc. La encuesta se llevó a cabo durante un periodo de tiempo representativo del comportamiento estándar del centro comercial, es decir, evitando periodos vacacionales, rebajas, ni otros eventos que pudiesen hacer que la muestra se desvirtuase.

Tras recopilar toda la información necesaria, se aplicaron a los potenciales puntos de venta los modelos obtenidos con los datos de la tarjeta de fidelización, obteniendo así la previsión de ventas que facilitaba la toma de decisiones de la apertura de la tienda en dicho centro comercial.

En definitiva, los análisis espacio temporales de la tecnología de ArcGIS permiten la visualización completa de los datos y actividad del negocio, la medición de la misma y la detección de patrones de comportamiento sobre la actividad en general o sobre campañas de marketing en particular.

De forma ágil, los responsables de las organizaciones podrán acceder a datos que acelerarán la toma de decisiones e inferir comportamientos a la hora de expandir sus negocios y captar nuevos clientes.

Si quieres conocer más información acerca de cómo la plataforma ArcGIS puede ayudarte en tu negocio, puedes visitar nuestra web de soluciones para el sector de Retail.

 

Te invitamos los días 25 y 26 de octubre a la Conferencia Esri España 2017 en Madrid, para que conozcas las últimas novedades sobre análisis espacio temporales, Big Data, IoT así como otros productos y tendencias de la plataforma ArcGIS. ¡Ven al mayor evento de tecnología geoespacial de España! Te esperamos.

Entrevista a Gary Sankary: “No recuerdo haber escuchado recientemente a ningún directivo decir que su empresa necesita más datos”

 

Extraer el auténtico valor que esconden los datos, es el principal valor que la tecnología Esri aporta a la industria del Business, especialmente Retail, Banca y Seguros.

Hoy en Esriblog compartimos con vosotros una entrevista a Gary Sankary, Industry Marketing Strategy especializado en Retail de Esri Inc., quien nos dará su visión sobre el sector y las oportunidades a las que se enfrenta.

 

¿Qué grandes ventajas proporcionan los GIS al mundo del business y el retail?

Para dar un buen servicio al cliente, es esencial comprender lo mejor posible quién es. Los GIS permiten a las empresas entender mejor a los consumidores, sus necesidades y la manera en que interactúan con los retailers para seguir siendo relevantes en el mercado. Además, las posibilidades de segmentación de los GIS (a nivel de ciudad, de vecindario, de tienda…) los convierten en una herramienta muy poderosa.

Como herramienta para entender al consumidor, los GIS son hoy más importantes que nunca, puesto que estamos en un momento altamente disruptivo. Los actores del mercado están tratando de descubrir la mejor manera posible de abordar un nuevo desafío: el surgimiento de un consumidor empoderado, equipado con más información y herramientas que nunca. No es un escenario apocalíptico, donde el retail tal y como lo conocemos vaya a desaparecer por completo, pero las empresas deben meditar sobre una nueva manera de hacer negocios.

 

¿Conoce algún proyecto pionero en este sentido? ¿Alguno que esté aprovechando especialmente estas ventajas?

Uno de nuestros clientes, X5 Retail Group, cubre una extensa área geográfica, y comenzó a colaborar con nosotros para cumplir un objetivo muy habitual en cuanto a la aplicación de GIS en este sector: determinar la ubicación óptima de sus tiendas.

Este cliente pudo ver rápidamente que el proceso de determinar la mejor ubicación de una tienda era en cierta manera similar, y por tanto extensible, al hecho ubicar un producto en el establecimiento. Simplemente, había que centrarse en una categoría de producto. En este sentido, descubrieron un patrón de compra interesante: que en las ciudades se vendía más pollo cortado que entero, a diferencia que en áreas rurales. Esto les permitió ajustar su oferta a la demanda de los consumidores.

Otro de nuestros clientes, en EE.UU., realizó un análisis centrado en la categoría de papel higiénico. Descubrieron que las tiendas que venden más paquetes compactos están normalmente ubicadas en ciudades con mayor densidad de población. Mi intuición me indicaba lo contrario, que los consumidores urbanos buscarían el descuento de los packs ahorro, más grandes. Sin embargo, el hecho de que los consumidores de estos productos utilizasen el transporte público influía en la compra en gran medida, pues necesitaban contar con pequeños paquetes que pudieran llevar en su bolsillo.

Cada transacción ocurre en un punto por una razón concreta. El análisis geoespacial demuestra que las elecciones de los consumidores no son aleatorias, sino que dependen en gran medida de la localización.

 

¿Cómo puede llegar a impactar en el cliente final el hecho de contar con tecnología geográfica para una mejor gestión del retail?

Al final del día, todas y cada una de las acciones llevadas a cabo por los retailers impactan en sus clientes. Hoy, el consumidor tiene más poder que nunca, pues dispone de toda la información que precisa a través de su dispositivo de manera inmediata: el cliente sabe mejor que nadie si una oferta es competitiva o no. El hecho de contar con un GIS permite impactar en el proceso de toma de decisiones del cliente, personalizando y segmentando la oferta.

 

¿A qué grandes retos nos enfrentamos al implementar tecnología geográfica en el retail?

Principalmente, a la diferencia en los patrones de implementación de la tecnología, especialmente entre países. Este proceso pivota sobre los datos disponibles en cada país, y los datos que utilizas en un país pueden no estar disponibles en otro, o la manera en que están disponibles puede diferir en gran medida.

 

¿Dentro de Europa, hasta qué punto está implementada esta tecnología?

En Europa, las empresas han estado tradicionalmente acostumbradas a explotar sus recursos operando en un entorno geográfico más reducido que en Estados Unidos. En Estados Unidos, el crecimiento del sector ha estado ligado tradicionalmente a la apertura de tiendas. Con la crisis, este crecimiento se detuvo y los retailers tuvieron que aprovechar lo mejor posible los recursos con los que contaban. Las empresas europeas están más habituadas a esta situación, contando con una base de consumidores más reducida y con un menor margen de error. Por ello, tradicionalmente han tenido la necesidad de optimizar el uso de sus datos y recursos para incrementar las ventas, teniendo en cuenta una geografía menos extensa.

 

Big Data, Open data, IoT… Son conceptos cada vez más conocidos e integrados en las empresas. Sumando además la tecnología geográfica de Esri…. ¿Hacia dónde nos encaminan las tendencias tecnológicas?

Gartner ha puesto de manifiesto el impacto que el IoT tendrá sobre la cantidad de datos disponibles. Aprovechándolos correctamente, los retailes podrán ofrecer mejores servicios, precios más competitivos y una mejor experiencia de usuario online y en la tienda. Sin duda, cada vez será más importante contar con la capacidad para tratar con grandes volúmenes de datos, facilitando su manejo y lectura, algo que los GIS llevan haciendo desde hace mucho tiempo. No recuerdo haber escuchado recientemente a ningún directivo decir que su empresa necesita más datos. La pregunta suele ser más bien, “¿cómo sacamos partido a nuestros datos?”.

 

Más información

Ciclo de Webinars con Microsoft: la estrategia de localización en Business

 

Banca y Seguros, Retail e Industria 4.0 son algunas de las áreas en las que la Transformación Digital está evolucionando desde el análisis del factor “dónde”. Un factor que nos sitúa ante una nueva frontera tecnológica y nos da la oportunidad de adaptarnos a un entorno cada vez más cambiante y liderado por usuarios multicanal, nuevos modelos de negocio y competencias y, ante todo, un ingente volumen de datos que no está siendo explotado de la forma adecuada.

Incorporar la variable espacial a los análisis de negocio abre una puerta a nuevas oportunidades aumentando la eficiencia y eficacia. Tener las herramientas adecuadas en la estrategia de localización de áreas como banca y seguros, retail y en la industria 4.0 es indispensable para:

  • Conocer a tus clientes y sus comportamientos.
  • Generar patrones y desarrollar estrategias proactivas en vez de reactivas.
  • Interpretar y analizar flujos de datos en tiempo real (IoT)
  • Analizar Big Data

En definitiva, conocer dónde están los riesgos y dónde se sitúa el éxito.

 

Inscríbete al Ciclo de Webinars con Microsoft

Para mostraros cómo transformar digitalmente vuestro negocio desde vuestra estrategia de localización, hemos organizado estos tres webinars conjuntamente con Microsoft. 

Inscríbete desde cada de uno de los seminarios y no esperes para conocer The Science Of Where en la Transformación Digital de tu negocio.

 

Carthumbing, una app para el #EsriHackUPChallenge

El pasado 3 de marzo comenzaba el HackUPC 2017, el segundo hackathon más grande de Europa preparado por estudiantes y para estudiantes. 500 participantes organizados en equipos tenían que elegir uno de los retos propuestos, desarrollarlo durante 36 horas (y más cosas que contamos en el story map Esri HackUPC Challenge).

 

 

Esri España y Esri UK fueron los organizadores de uno de estos retos, el #EsriHackUPChallenge, en el que los participantes tenían que desarrollar una app que mejorar el algoritmo de búsqueda de rutas y de pasajeros de Blablacar utilizando nuestras herramientas de análisis GIS en nuestra plataforma.

Durante tres días, 11 equipos se enfrentaron a este reto. Finalmente, el equipo ganador fue Carthumbing con una app for hitchhikers.

¿Qué es App for Hitichhikers y por qué mejora el algoritmo?

El sistema de Carthumbing, tiene dos partes: un back-end y un front-end. El back-end está montado sobre Docker. En él se han desplegado unos scripts de Python que hacen todo el proceso y el cálculo geoespacial entre la base de datos de las rutas y la aplicación cliente que van a usar los viajeros. El front-end está desarrollado mediante React, en el que se crea una aplicación para iOS y para Android. Esta aplicación cliente tiene una interfaz sencilla para que los viajeros puedan buscar la ruta y el conductor que más les conviene.

Actualmente la app funciona de la siguiente manera: los conductores publican el viaje con el origen, destino y las paradas que van a hacer. Los pasajeros buscan un conductor buscando los conductores con el misma destino. El origen y destino tiene que coincidir con los que ha introducido el conductor para que aparezca como posible conductor

En cuanto a las mejoras que se han realizado con nuestras herramientas están:

Añadir constreñimientos a las búsquedas de las rutas mediante el análisis GIS, como por ejemplo: calculando un polígono alrededor de una ruta con el máximo desvío en tiempo de conducción y calcular la intersección con todas las posibles paradas que se pueden hacer. De esa manera daría mejores resultados a los pasajeros y los conductores también optimizarían sus viajes.

Ganadores y premios

El equipo ganador, formado por cuatro persona, se llevó un minidrone cada uno. Los premiados fueron:

Enhorabuena a los premiados y esperamos veros en nuestro reto el próximo año. No olvidéis que podéis uniros a nuestra comunidad abierta de Geodevelopers, la comunidad para desarrolladores profesionales del mundo GIS.

 

Esri entra en el Top 10 de la Compañías más Innovadoras en Data Science

fastcompany

 

La revista Fast Company ha incluido a Esri en el Top Ten de las Compañías más Innovadoras en Data Science por la capacidad de nuestra tecnología para gestionar desde desastres naturales a proyectos para luchar contra la injusticia social.

“Cada año nuestro equipo recorre el mundo entero para identificar a aquellas compañías que destacan por su nivel de innovación y capacidad de impacto dentro de su área, de los negocios y de la cultura”, ha declarado Robert Safian, editor y director de la revista Fast Company.

Esta lista, una de las acciones más esperadas anualmente por cualquier compañía, reconoce la labor de aquellas organizaciones que deben ser referencia para las demás por su agilidad de negocio y su capacidad de innovación. La NASA, Netflix o Spotify son algunas compañías que también han resultado reconocidas dentro de la categoría de Data Science.

La tecnología Esri está integrada en la mayor parte de los sistemas más potentes e inteligentes del mundo, siendo una pieza fundamental en estos independientemente del sector en el que se desarrollen.

Desde Esri España queremos compartir este nombramiento con nuestros usuarios, que son quienes día a día explotan nuestra tecnología y ponen en valor su capacidad.

¿Quién es el rey de la fast food en USA según los mapas?

 

Si os pidiésemos que pensaseis en una cadena de comida rápida, ¿cuál es la primera que os vendría a la mente?

Nuestros compañeros de Esri Inc. han elaborado el Story Map Fast Food Nation: Mapping the Top Ten Chains en el que podemos ver cómo se distribuyen las principales cadenas de comida rápida de USA, cuántos restaurantes hay de cada una per capita y cuáles son los que más dinero proporcionan.

 

storymap_fastfood1

 

En este story map podemos observar datos curiosos como, por ejemplo, el de McDonald´s (que es probablemente la cadena que os haya venido a la mente al inicio de este post). La presencia de McDonald´s en el país es proporcionada a su población aunque es notablemente más baja en California. Sin embargo, es en California donde más ingresos genera.

Dunkin Donuts, sin embargo, se concentra en el este del país, especialmente en New York, Massachusetts, y New Jersey. Su presencia en el resto de USA es anecdótica. Tanto es así que es probable que haya más Dunkin Donuts en España que en el resto de Estados Unidos.

El poder del Location Analytics

La ubicación es lo más importante, no solo para una cadena de comida rápida, sino también para cualquier establecimiento. Conocer el perfil sociodemográfico de los habitantes de una zona, la ubicación de la competencia o la distancia que tienen que recorrer tus potenciales clientes hasta llegar a tu establecimiento son cuestiones a analizar antes de abrir una nueva tienda de ropa, un concesionario de coches, una franquicia de comida rápida o cualquier otro establecimiento.

Los GIS son una herramienta esencial en este análisis ya que te permiten conocer el lugar óptimo para abrir un nuevo negocio. Con ArcGIS Online, por ejemplo, podéis hacer un análisis completo utilizando más de 360 variables sociodemográficas y diversos contenidos. Esto se llama Location Analytics y nos permite analizar las razones del dónde.

Más información  

A %d blogueros les gusta esto: